|
Le développement financier et la croissance économique au Camreroun( Télécharger le fichier original )par Nathalie Carine ASSOMO TEUBO Université de Douala - DEA en Economie Monétaire et Bancaire 2005 |
B.2. Les caractéristiques statistiques des variablesL'activité réelle porte sur l'ensemble des transactions sur biens et services dans une économie. Elle est perçue par les économistes comme étant l'ensemble de la production des différents secteurs d'activité ; en l'occurrence les secteurs primaire, secondaire et tertiaire. L'indicateur le plus souvent retenu pour mesurer l'importance de l'activité réelle est le PIB réel/habitant. Cet indicateur d'après Arestis et Demetriades (1996) est le moins controversé et le plus significatif ; vu qu'il prend en compte tous les chocs qui affectent les statistiques démographiques. Cet indicateur est déflaté ; ce qui implique qu'il élimine les effets d'une inflation, rendant ainsi la comparaison entre les pays plus aisée d'un point de vue strictement économique. Les séries que nous analysons débutent en 1961 et se limitent en 2000. Pour des besoins de modélisation économétrique, les séries sont lissées lors de la linéarisation du modèle AK présenté plus haut ; elles sont en conséquence loglinéaires. Une série de tests de racines unitaires ont été effectuées pour rendre nos résultats d'estimation plus fiables. L'objectif recherché est la stationnarisation de nos processus par le biais d'une simple combinaison linéaire appelée cointégration. Pour se faire, les séries analysées doivent être non stationnaires. Les résultats du test de stationnarité « Augmented Dickey-Fuhler 9(*)» pour la principale variable réelle sont donnés dans le tableau ci-après : Tableau 3.1 : Résultats du test de racines unitaires pour la série loglinéaire du PIB réel/tête
Modèle 1 est le modèle sans constante ni trend source : calculs de l'auteur Les tests ADF appliqués à la série ln(PIB réel/habitant) nous permettent de conclure qu'elle n'est stationnaire ni en niveau, ni en différences premières pour un nombre de retards égal à 3 (les valeurs de la statistique DF calculées sont supérieures à la valeur critique au seuil de 5% soit -1.95). Cette série n'est stationnaire que lorsque deux fois différenciée (la valeur calculée est inférieure à 1.95). Autrement dit ln(PIB réel/tête) est I(2) et Äln(Pib réel/tête) est I(1). Après la présentation et la spécification de la principale variable réelle, nous envisageons à présent la présentation et la spécification des variables financières susceptibles d'appartenir à notre modèle de croissance. L'activité financière est très dense et difficile à appréhender d'un point de vue essentiellement quantitatif. Les indicateurs retenus dès notre premier chapitre restent dans notre analyse les plus pertinentes et les plus significatives. Pour la série ln(M2/PIB), le nombre de retards nécessaire à la mise en place du test est de 14 conformément à l'analyse du corrélogramme. Cependant, la littérature de Mignon et Lardic (2002) nous conseille de prendre comme nombre maximal de retards T/4 avec T le nombre d'observations. Aussi, avons nous choisi d'adopter comme nombre de retards maximal 10. Les caractéristiques statistiques de cette variable sont récapitulées dans le tableau ci-contre : Tableau 3.2 : Résultats du test de racines unitaires sur la série loglinéaire de M2/PIB
source : calculs de l'auteur La statistique ADF calculée est supérieure à la valeur critique au seuil de 5% la variable prise en niveau et en différence première. L'hypothèse nulle est donc acceptée conformément à la littérature de Lardic et Mignon. Les séries ln(M2/PIB) et Äln(M2/PIB) ne sont par conséquent pas stationnaires. Par contre, la statistique ADF calculée pour la série en différence seconde est stationnaire. En effet, la valeur critique du ADF au seuil de 5% est supérieure à sa valeur calculée soit -2.13. La série Ä2ln(M2/PIB) est donc stationnaire. En somme, la série ln(M2/PIB) est I(2), la série ?ln(M2/PIB) est I(1) et Ä2ln(M2/PIB) est I(0). Pour la série ln(crédit au secteur privé/PIB), l'observation du corrélogramme de la série en différence première nous suggère une intégration à l'ordre 1 de la série ln(crédit/PIB). Le nombre de retards utilisés pour procéder au test de stationnarité se limite par conséquent à l'unité. Les propriétés statistiques pour cette autre variable sont récapitulées dans le tableau suivant (cf. tableau 3.3) : Tableau 3.3 : Résultats du test de racines unitaires sur la série loglinéaire du crédit au secteur privé/PIB
source : calculs de l'auteur La statistique ADF calculée pour la variable en niveau est supérieure à sa valeur critique au seuil de 5%. L'hypothèse de non stationnarité est donc acceptée pour celle-ci. Par contre, la statistique ADF calculée pour la variable en différence première est inférieure à sa valeur critique au seuil de 5% ; l'hypothèse nulle est donc rejetée au profit de l'hypothèse alternative de stationnarité et, la variable ln(crédit/PIB) est intégrée au premier ordre. Pour la série ln(quasi monnaie/PIB), le nombre de retards retenu pour l'application du test de stationnarité est 1 conformément à l'observation du corrélogramme. Les caractéristiques statistiques de cette série sont récapitulées dans le tableau 3.4 ci- contre : Tableau 3.4 : Résultats du test de racines unitaires sur la série loglinéaire de quasi monnaie/PIB
source : calculs de l'auteur La statistique ADF calculée pour la variable en niveau est supérieure à sa valeur critique au seuil de 5%. Nous acceptons en conséquence l'hypothèse nulle de non stationnarité. Elle est au contraire inférieure à sa valeur tabulée pour la même variable prise en différence première. L'hypothèse nulle est donc rejetée au profit de l'hypothèse alternative de stationnarité. En somme, la série ln(quasi monnaie/PIB) est I(1) et sa différence première est stationnaire. Ainsi, comme nous venons de le voir dans cette section toutes les variables financières et réelles sont non stationnaires. Aussi une stationnarisation par combinaison linéaire peut être envisageable. Ce type de stationnarisation des séries est encore appelé cointégration. * 9La procédure du test ADF (Augmented Dickey-Fuhler) est séquentielle mais très simple. L'idée générale consiste à partir d'un modèle autorégressif d'ordre p dit AR(p) et d'en écrire le modèle dérivé en différence première puis de procéder à son estimation. L'écriture du modèle en différence peut accepter trois formes possibles : un modèle avec trend et constante (modèle 3), un modèle avec constante et sans trend (modèle 2) et enfin un modèle sans constante ni trend (modèle 1).
* 10 Le nombre de retard pris en compte dans le modèle est délicatement choisi. En effet, l'inclusion d'un nombre insuffisant de retards peut affecter le niveau général du test et l'introduction d'un nombre trop élevé de retards réduit le nombre de degrés de liberté et la puissance du test ; ce qui conduit très souvent et de manière erronée à l'acceptation de l'hypothèse nulle (Lardic et Mignon, 2002). Ces auteurs proposent un choix du nombre de retards conforme à l'observation des corrélogrammes des processus en différence première. |
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
